41 research outputs found
Visual Analysis of Complex Simulation Data using Multiple Heterogenous Views
No full textComputational Fluid Dynamics (CFD) Simulationen sind in letzter Zeit in immer häufigerem Einsatz in einer Vielzahl von unterschiedlichsten Anwendungsgebieten. Die Anwendungen reichen dabei vom Einsatz in der Automobilindustrie über Anwendungen im Gebiet der Aerodynamik bis hin zu Beispielen aus Umwelt- Wetter- und Klimasimulationen (und vielen anderen mehr). CFD Simulationen werden aus vielen Gründen immer beliebter und öfter eingesetzt unter anderem weil Phänomene leichter durch Simulation am Computer untersucht werden können oder auch weil auf Computern berechnete Simulationen normalerweise die Design- und Entwicklungsprozesse von vielen Produkten erheblich beschleunigen. Typische CFD Simulationen erzeugen sehr große Mengen an Ergebnisdaten. Außerdem sind die Ergebnisse normalerweise auch zeitabhängig und multivariat was bedeutet dass eine Vielzahl an verschiedenen Datenattributen für jeden Datenpunkt im Raum und für jeden Zeitschritt der Simulation vorhanden ist. Beispiele von solchen Datenattributen sind Strömungsvektoren und -geschwindigkeiten Druck Temperatur und Konzentrationen von bestimmten chemischen Substanzen. Die Analyse von solchen Ergebnisdatensätzen ist oft nicht einfach für die Ingenieure die die Daten untersuchen und bewerten sollen. Dabei kann Visualisierung unterstützend eingesetzt werden. Die meisten heute verwendeten Visualisierungsmethoden für Daten welche aus einer 3D Strömungssimulation resultieren verwenden entweder geometrische Strömungsvisualisierungsmethoden (wie z.B.: Streamlines Isosurfaces etc.) oder sogenannte merkmals-basierte Methoden wo zuerst Merkmale (Features) in den Daten extrahiert werden müssen und dann Feature Tracking durchgeführt wird. Allerdings erlauben diese Ansätze normalerweise keine interaktive und einfache Steuerung des Visualisierungsprozesses. Im Speziellen kann nicht interaktiv festgelegt werden welche Daten gerade von größtem Interesse sind. Die Spezifikation der Merkmale ist normalerweise nur (semi-)automatisch möglich. Das zentrale Thema dieser Dissertation ist die Entwicklung eines flexiblen Systems für die interaktive visuelle Analyse von großen multi-dimensionalen und zeitabhängigen Ergebnissen von Strömungssimulationen. Dazu werden mehrere bekannte Methoden und Technologien aus den Bereichen der Visualisierung von wissenschaftlichen Daten (Scientific Visualization SciVis) und der Informationsvisualisierung (Information Visualization InfoVis) kombiniert um daraus einen neuen Ansatz für ein merkmals-basiertes Visualisierungskonzept abzuleiten. Das System in dem dieser Ansatz exemplarisch angewandt und entwickelt wird heißt SimVis. Die besondere Stärke des hier neu präsentierten Visualisierungsansatzes liegt in einer ausgewogenen Kombination einer Vielzahl von kleinen Innovationen. Diese alleine sind nicht alle komplett neu bzw. wurden sie schon in anderen isolierten Lösungen und Ansätzen verwendet (teilweise in anderen Kombinationsformen). Allerdings stellt die hier präsentierte Form der Kombination dieser Einzellösungen einen neuen Ansatz dar welcher gleichzeitig maximale Flexibilität auf der einen Seite und einen stabilen Analyseprozess auf der anderen Seite ermöglicht. Die einzelnen Innovationen die zu diesem neuen Ansatz beitragen beinhalten (1) eine Kombination von Ansichten und Methoden aus SciVis und InfoVis (2) ein ausgeklügeltes Schema zur Interaktion basierend auf erweiterten Brushing-Methoden (3) unscharfe Klassifikationen zur Merkmalsspezifikation (auch zusammengefügte Spezifikationen sind möglich) (4) Fokus+Kontext Visualisierungsmethoden (speziell für die 3D Darstellungen) (5) eine spezielle Behandlung der Zeit die eine besondere Datendimension darstellt und (6) das Ermöglichen eines interaktiven Visualisierungsprozesses auch für relativ große Datenmengen auf Standard PC-Systemen. Zusätzlich ermöglicht dieser neue Ansatz durch die Integration von Attributableitungen (eine Methode um interaktiv neue Datendimensionen basierend auf Informationen aus den bisher bestehenden Dimensionen abzuleiten) und erweiterten Brushing-Methoden eine Spezifikation von zeitabhängigen Merkmalen. Diese Merkmale sind speziell von der zeitlichen Dimension der Daten abhängig. Abschließend werden sowohl zwei Fallstudien aus dem Bereich der Automobilindustrie präsentiert als auch die generelle Anwendbarkeit des hier neu entwickelten Ansatzes gezeigt. So lassen sich in SimVis leicht Daten aus den verschiedensten Anwendungsbereichen mit den selben Methoden untersuchen und analysieren z.B. aus dem Bereich der Aerodynamik von Klima und Wettersimulationen von Simulationen von Spritzgussverfahren aus medizinischen Anwendungsgebieten usw. Ein Vergleich mit herkömmlichen Methoden zur Visualisierung von Strömungssimulationsdaten zeigt dass SimVis eine neue zusätzliche Technologie zur raschen und verständlichen Analyse zur Verfügung stellt. - Computational Fluid Dynamics (CFD) simulation has become very popular and is used in a wide variety of applications. Applications range from the automotive industry to aerodynamics to environmental and weather simulation and many more. CFD simulation is popular for several reasons including that many phenomena can be studied more easily through simulation. Measuring approaches might influence and change flow behavior. Computational simulation speeds up the design and development process of many products. Typically CFD simulation results in very large data sets. Results are also usually timedependent and multi-variate including many attributes for each simulated point in space and time e.g. flow vectors pressure temperature mass fraction values of chemical substances etc. Analyzing such data sets is not an easy task for the engineers who have to investigate and evaluate the results. Visualization can be used to support the exploration and analysis of these data sets. Most current visualization methods for data from 3D flow simulation focus either on displaying geometric objects (e.g. streamlines isosurfaces etc.) or on feature-based methods employing special feature extraction and tracking techniques. However these approaches usually do not allow the user to easily and interactivly investigate the multi-dimensional interrelations between different data attributes. The feature extraction process is usually done in a (semi-)automatic way not allowing for interactive changes of the feature specification. The central theme of this thesis is to provide a flexible framework for interactive visual analysis of large multi-dimensional and time-dependent data sets resulting from flow simulation. In other words the focus of this work is to develop a framework which combines multiple rather well-known concepts from scientific and information visualization to build a new feature-based visualization framework which is based on user-driven visual analysis. This framework is called SimVis. The major strength of the newly presented visualization approach lies in a balanced combination of several different innovations. These by themselves are not all completely new and some may (to a certain extend) also be found as isolated solutions in other approaches (or in other combinations). Nevertheless in the combinations proposed here each component builds an integral part of the framework which combines different individual solutions to attain maximal flexibility while still providing solid and stable analysis tools. The innovations that contribute to this interactive feature specification framework include (1) the combination of views and methods from scientific visualization and information visualization (2) a sophisticated interaction scheme allowing for fast and flexible information drill-down by means of advanced brushing mechanisms (3) a fuzzy notion of feature specification and composite specifications (4) enabling focus+context visualization (especially in the spatial domain of 3D rendering) (5) providing proper access to the special data dimension of time and (6) coping with interactive visualization of relatively large data sets on standard PCs. Also with the help of integrating attribute derivation (a mechanism for interactive iii calculation of derived data attributes) and advanced brushing mechanisms the specification of time-dependent features i.e. features inherently depending on the special data dimension of time is realized. Finally two case studies are presented that demonstrate that the framework presented here is indeed generally applicable (e.g. to the automotive industry aerodynamics molding climate simulations etc.) and how it compares to other solutions and how it adds additional information and value to current methods.EG Graphics Dissertation Onlin
Visual analysis of complex simulation data using multiple heterogenous views
No full textComputational Fluid Dynamics (CFD) simulation has become very popular and is used in a wide variety of applications. Applications range from the automotive industry to aerodynamics to environmental and weather simulation, and many more. CFD simulation is popular for several reasons, including that many phenomena can be studied more easily through simulation. Measuring approaches might influence and change flow behavior. Computational simulation speeds up the design and development process of many products.Typically, CFD simulation results in very large data sets. Results are also usually time-dependent and multi-variate, including many attributes for each simulated point in space and time, e.g., flow vectors, pressure, temperature, mass fraction values of chemical substances, etc.Analyzing such data sets is not an easy task for the engineers, who have to investigate and evaluate the results. Visualization can be used to support the exploration and analysis of these data sets.Most current visualization methods for data from 3D flow simulation focus either on displaying geometric objects (e.g., streamlines, isosurfaces, etc.), or on feature-based methods employing special feature extraction and tracking techniques. However, these approaches usually do not allow the user to easily and interactivly investigate the multi-dimensional interrelations between different data attributes. The feature extraction process is usually done in a (semi-)automatic way, not allowing for interactive changes of the feature specification.The central theme of this thesis is to provide a flexible framework for interactive visual analysis of large, multi-dimensional, and time-dependent data sets resulting from flow simulation. In other words, the focus of this work is to develop a framework, which combines multiple, rather well-known concepts from scientific and information visualization, to build a new feature-based visualization framework which is based on user-driven visual analysis. This framework is called SimVis.The major strength of the newly presented visualization approach lies in a balanced combination of several different innovations. These by themselves are not all completely new and some may (to a certain extend) also be found as isolated solutions in other approaches (or in other combinations). Nevertheless, in the combinations proposed here, each component builds an integral part of the framework, which combines different individual solutions to attain maximal flexibility, while still providing solid and stable analysis tools.The innovations that contribute to this interactive feature specification framework include (1) the combination of views and methods from scientific visualization and information visualization, (2) a sophisticated interaction scheme allowing for fast and flexible information drill-down by means of advanced brushing mechanisms, (3) a fuzzy notion of feature specification and composite specifications, (4) enabling focus+context visualization (especially in the spatial domain of 3D rendering), (5) providing proper access to the special data dimension of time, and (6) coping with interactive visualization of relatively large data sets on standard PCs. Also, with the help of integrating attribute derivation (a mechanism for interactive calculation of derived data attributes) and advanced brushing mechanisms, the specification of time-dependent features, i.e., features inherently depending on the special data dimension of time, is realized.Finally two case studies are presented that demonstrate that the framework presented here is indeed generally applicable (e.g., to the automotive industry, aerodynamics, molding, climate simulations, etc.), and how it compares to other solutions and how it adds additional information and value to current methods.Computational Fluid Dynamics (CFD) Simulationen sind in letzter Zeit in immer häufigerem Einsatz in einer Vielzahl von unterschiedlichsten Anwendungsgebieten. Die Anwendungen reichen dabei vom Einsatz in der Automobilindustrie, über Anwendungen im Gebiet der Aerodynamik, bis hin zu Beispielen aus Umwelt- oder Wetter- und Klimadatensimulationen (und vielen anderen mehr). CFD Simulationen werden aus vielen Gründen immer beliebter und öfter eingesetzt, unter anderem, weil viele Phänomene leichter durch Simulation am Computer untersucht werden können, oder auch, weil auf Computern berechnete Simulationen normalerweise die Design- und Entwicklungsprozesse von vielen Produkten erheblich beschleunigen.Typische CFD Simulationen erzeugen sehr große Mengen an Ergebnisdaten.Außerdem sind die Ergebnisse normalerweise auch zeitabhängig und multivariat, was bedeutet, dass eine Vielzahl an verschiedenen Datenattributen für jeden Datenpunkt im Raum und für jeden Zeitschritt der Simulation vorhanden ist. Beispiele von solchen Datenattributen sind Strömungsvektoren und -geschwindigkeiten, Druck, Temperatur, oder Konzentrationen von bestimmten chemischen Substanzen. Die Analyse von solchen Ergebnisdatensätzen ist oft nicht einfach für die Ingenieure, die die Daten untersuchen und bewerten sollen. Dabei kann Visualisierung unterstützend eingesetzt werden.Die meisten heute verwendeten Visualisierungsmethoden für Daten welche aus einer 3D Strömungssimulation resultieren, verwenden entweder geometrische Strömungsvisualisierungsmethoden (wie z.B.: Streamlines, Isosurfaces, etc.), oder sogenannte merkmals-basierte Methoden, wo zuerst Merkmale (Features) in den Daten extrahiert werden müssen und dann Feature Tracking durchgeführt wird. Allerdings erlauben diese Ansätze normalerweise keine interaktive und einfache Steuerung des Visualisierungsprozesses, speziell kann nicht interaktiv festgelegt werden, welche Daten gerade von größtem Interesse (also ein Merkmal) sind. Die Spezifikation der Merkmale ist normalerweise nur (semi-) automatisch möglich.Das zentrale Thema dieser Dissertation ist die Entwicklung eines flexiblen Systems für die interaktive visuelle Analyse von großen, multi-dimensionalen und zeitabhängigen Ergebnissen von Strömungssimulationen. Dazu werden mehrere bekannte Methoden und Technologien aus den Bereichen der Visualisierung von wissenschaftlichen Daten (Scientific Visualization, SciVis) und der Informationsvisualisierung (Information Visualization, InfoVis) kombiniert, um daraus einen neuen Ansatz für ein merkmals-basiertes Visualisierungskonzept abzuleiten. Das System, in dem dieser Ansatz exemplarisch angewandt und entwickelt wird, heißt SimVis.Die besondere Stärke des hier neu präsentierten Visualisierungsansatzes liegt in einer ausgewogenen Kombination einer Vielzahl von kleinen neuen Innovationen. Diese alleine sind nicht alle komplett neu, bzw. wurden sie schon in anderen isolierten Lösungen und Ansätzen verwendet (teilweise in anderen Kombinationsformen). Allerdings stellt die hier präsentierte Form der Kombination dieser Einzellösungen einen neuen Ansatz dar, welcher gleichzeitig maximale Flexibilität auf der einen Seite, und einen stabilen Analyseprozess auf der anderen Seite ermöglicht.Die einzelnen Innovationen, die zu diesem neuen Ansatz beitragen, beinhalten (1) eine Kombination von Ansichten und Methoden aus SciVis und InfoVis, (2) ein ausgeklügeltes Schema zur Interaktion, basierend auf erweiterten Brushing-Methoden, (3) unscharfe Klassifikationen zur Merkmalsspezifikation (auch zusammengefügte Spezifikationen sind möglich), (4) Fokus+Kontext Visualisierungsmethoden (speziell für die 3D Darstellungen), (5) eine spezielle Behandlung der Zeit, die eine besondere Datendimension darstellt, und (6) das Ermöglichen eines interaktiven Visualisierungsprozesses auch für relativ große Datenmengen auf Standard PC-Systemen. Zusätzlich ermöglicht unser neuer Ansatz durch die Integration von Attributableitungen (eine Methode, um interaktiv neue Datendimensionen, basierend auf Informationen aus den bisher bestehenden Dimensionen, abzuleiten) und erweiterten Brushing-Methoden, eine Spezifikation von zeitabhängigen Merkmalen. Diese Merkmale sind speziell von der zeitlichen Dimension der Daten abhängig.Abschließend werden sowohl zwei Fallstudien aus dem Bereich der Automobilindustrie präsentiert, als auch die generelle Anwendbarkeit des hier neu entwickelten Ansatzes gezeigt. So lassen sich in SimVis leicht Daten aus den verschiedensten Anwendungsbereichen mit den selben Methoden untersuchen und analysieren, z.B. aus dem Bereich der Aerodynamik, von Klima und Wettersimulationen, von Simulationen von Spritzgussverfahren, aus medizinischen Anwendungsgebieten, usw
Smooth brushing for focus+context visualization of simulkation data in 3D
No full textWe present the usage of a non-discrete degree of interest (DOI) function, obtained by brushing multi-valued 3D simulation data in information visualization views, to define opacity, color, and geometrical transfer functions for 3D rendering in a scientific visualization view via linking. To reflect the smooth nature of features in flow simulation data, smooth brushing was chosen. Different available views and interaction methods of a prototype system are discussed, and examples from 3D flow simulation are shown
Visual coherence for large-scale line-plot visualizations
No full textDisplaying a large number of lines within a limited amount of screen space is a task that is common to many different classes of visualization techniques such as time-series visualizations, parallel coordinates, link-node diagrams, and phase-space diagrams. This paper addresses the challenging problems of cluttering and overdraw inherent to such visualizations. We generate a 2x2 tensor field during line rasterization that encodes the distribution of line orientations through each image pixel. Anisotropic diffusion of a noise texture is then used to generate a dense, coherent visualization of line orientation. In order to represent features of different scales, we employ a multi-resolution representation of the tensor field. The resulting technique can easily be applied to a wide variety of line-based visualizations. We demonstrate this for parallel coordinates, a time-series visualization, and a phase-space diagram. Furthermore, we demonstrate how to integrate a focus+context approach by incorporating a second tensor field. Our approach achieves interactive rendering performance for large data sets containing millions of data items, due to its image-based nature and ease of implementation on GPUs. Simulation results from computational fluid dynamics are used to evaluate the performance and usefulness of the proposed method. © 2011 The Author(s).The authors thank Thomas Schultz and Andrea Kratz for valuable input on tensor-related topics, and Wolfgang Freiler for help with figures. The diesel particulate filter data set is courtesy of AVL List GmbH, Graz, Austria. Parts of this work were funded by the Austrian Research Funding Agency (FFG) in the scope of the project "AutARG" ( No. 819352
Interactive Visual Analysis of Heterogeneous Scientific Data across an Interface
No full textIn this paper, we present a systematic approach to the interactive visual exploration and analysis of heterogeneous scientific data. Based on a setup of coordinated multiple views (with linking and brushing) and heterogeneous data which consists of two blocks of scientific data (e.g., 2D and 3D data), we enable the joint, feature-based investigation across an interface. The interface specifies (a) which items in the one part of the data are related to which items in the other part, and vice versa, (b) how selections (in terms of feature extraction) are transferred between the two parts of the data, and (c) how interaction is realized during the visual analysis. We also propose strategies for visual analysis across an interface resulting in interactive and iterative refinement of features specified in different parts of the data. We demonstrate the usefulness of our approach in the context of two visual analysis scenarios with heterogeneous scientific data, i.e., a multi-run climate simulation and a complex simulation of fluid-structure interaction
Scalable hybrid unstructured and structured grid raycasting
No full textAbstract — This paper presents a scalable framework for real-time raycasting of large unstructured volumes that employs a hybrid bricking approach. It adaptively combines original unstructured bricks in important (focus) regions, with structured bricks that are resampled on demand in less important (context) regions. The basis of this focus+context approach is interactive specification of a scalar degree of interest (DOI) function. Thus, rendering always considers two volumes simultaneously: a scalar data volume, and the current DOI volume. The crucial problem of visibility sorting is solved by raycasting individual bricks and compositing in visibility order from front to back. In order to minimize visual errors at the grid boundary, it is always rendered accurately, even for resampled bricks. A variety of different rendering modes can be combined, including contour enhancement. A very important property of our approach is that it supports a variety of cell types natively, i.e., it is not constrained to tetrahedral grids, even when interpolation within cells is used. Moreover, our framework can handle multi-variate data, e.g., multiple scalar channels such as temperature or pressure, as well as time-dependent data. The combination of unstructured and structured bricks with different quality characteristics such as the type of interpolation or resampling resolution in conjunction with custom texture memory management yields a very scalable system. Index Terms—Volume Rendering of Unstructured Grids, Focus+Context Techniques, Hardware-Assisted Volume Rendering
Visualizing Dynamical Systems near Critical Points
No full textIn this paper we present two visualization techniques. One uses the topological structure of the dynamical system near critical points to build an abstract description of the flow. The other places bunches of streamlets around the critical points to visualize the flow characteristics locally. Combining both methods a powerful visualization technique is present, since both the topological information as well as intuitive visual cues are provided. Keywords: visualization, dynamical systems, critical points, vector field topology 1 Introduction During the past decade visualization has been established as an important scientific discipline. Among its topics the visualization of flow data is one of the most settled categories. The visualization of dynamical systems, on the other hand, is strongly related to flow visualization, since flows as well as dynamical systems are characterized by vectorial information in n-space. In this paper we first present two new techniques for the visualiza..
Interactive Feature Specification for Focus+Context Visualization of Complex Simulation Data
No full textVisualization of high-dimensional, large data sets, resulting from computational simulation, is one of the most challenging fields in scientific viualization. When visualization aims at supporting the analysis of such data sets, feature-based approches are very useful to reduce the amount of data which is shown at each instance of time and guide the user to the most interesting areas of the data. When using feature-based visualization, one of the most difficult questions is how to extract or specify the features. This is mostly done (semi-)automatic up to now. Especially when interactive analysis of the data is the main goal of the visualization, tools supporting interactive specification of features are needed. In this paper we present a framework for flexible and interactive specification of high-dimensional and/or complex features in simulation data. The framework makes use of multiple, linked views from information as well as scientific visualization and is based on a simple and compact feature definition language (FDL). It allows the definition of one or several features, which can be complex and/or hierarchically described by brushing multiple dimensions (using non-binary and composite brushes). The result of the specification is linked to all views, thereby a focus+context style of visualization in 3D is realized. To demonstrate the usage of the specification, as well as the linked tools, applications from flow simulation in the automotive industry are presented.Eurographics / IEEE VGTC Symposium on Visualizatio
